DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome

DeepVRegulome 기술 요약

문제 정의
전장 유전체 시퀀싱(WGS)은 암에서 수천 개의 비부호화 체세포 변이(noncoding somatic variants)를 기록해 왔으나, 이들의 기능적 및 임상적 영향을 규명하는 것은 여전히 중요한 병목 구간으로 남아 있다. 스플라이스 부위, 프로모터, 인핸서, 전사 인자 결합 부위(TFBS)와 같은 조절 영역 내의 비부호화 돌연변이는 단백질 구조를 변화시키지 않으면서도 유전자 발현을 조절하고 기능 이상이 있는 단백질 이소형(isoform)을 생성할 수 있다. 현재의 주석(annotation) 방법들은 이러한 복잡한 서열에 대해 불충분한 경우가 많으며, 기존의 딥러닝 도구들은 작은 데이터셋, 좁은 게놈 범위, 또는 계산 비용이 많이 드는 대규모 컨텍스트 입력을 요구한다는 한계가 있다. 따라서 대규모 언어 모델(LLM)을 활용하여 게놈 전반의 조절 정보를 체계적으로 통합하고, 다양한 비부호화 요소에 걸친 짧은 뉴클레오타이드 변이의 영향을 평가할 수 있는 확장 가능하고 해석 가능한 프레임워크가 절실히 필요하다.

방법론
저자들은 짧은 게놈 변이의 기능적 결과를 예측하기 위해 464개의 미세 조정된(fine-tuned) DNABERT 모델을 통합하는 딥러닝 프레임워크인 DeepVRegulome을 개발하였다. 이 방법론은 네 가지 주요 모듈로 구성된다:

1. 조절 영역 예측 (Regulatory Region Prediction):

   • 아키텍처: 본 프레임워크는 사전 학습된 DNABERT 모델을 두 가지 특정 작업별 코퍼스(corpus)에 대해 미세 조정한다.
     • 스플라이스 부위 (Splice Sites): GENCODE(v40/v41)로부터 추출한 엑손-인트론 접합부를 중심으로 한 90-뉴클레오타이드 서열이며, 도너(donor)와 억셉터(acceptor) 사이트에 대해 별도의 모델을 사용한다.
     • 조절 요소 (Regulatory Elements): 458개의 전사 인자(TF), 4개의 히스톤 마크, 2개의 스플라이스 사이트 모델을 대상으로 ENCODE ChIP-seq 피크 정점(summit)을 중심으로 한 301-뉴클레오타이드 서열을 사용한다.
   • 훈련 데이터: 양성 샘플은 ENCODE ChIP-seq 피크와 GENCODE 접합부에서 유도되었다. 음성 샘플은 매핑 가능한 인간 게놈에서 무작위로 샘사되었으나, 양성 영역은 제외되었다. MMseqs2 클러스터링을 통해 중복성을 줄였으며, 데이터셋은 1:1 비율로 균형을 맞추었다.
   • 선택: 정확도가 85%를 초과하는 모델만을 선별하였으며, 그 결과 최종적으로 421개의 TF 모델, 37개의 RNA 결합 단백질(RBP) 모델, 4개의 히스톤 마크 모델을 확보하였다.

2. 인 실리코 돌연변이 유발 및 점수화 (In Silico Mutagenesis and Scoring):

   • 프레임워크는 190명의 교모세포종(GBM) 환자(TCGA 및 CPTAC-3 코호트)로부터 얻은 WGS 변이 호출(VCF) 데이터를 정의된 조절 영역과 교차시킨다.
   • 각 변이에 대해 시스템은 참조($s$) 및 변이($s'$) 서열 쌍을 구축한다.
   • 점수 지표: 기능적 붕괴는 다음을 사용하여 정량화된다:
     • 점수 변화 ($\Delta p$): $p(s') - p(s)$이며, 최대 확률값에 의해 증폭된다.
     • 로그-오즈 비 (Log-Odds Ratio): $\log_2 \frac{p(s)}{1-p(s)} - \log_2 \frac{p(s')}{1-p(s')}$. 양수 값은 변이가 조절 요소를 붕괴시킴을 나타낸다.
   • 야생형(wild-type) 확률이 $>0.5$이고 변이된 확률이 $<0.5$인 경우, 해당 변이를 붕괴(disruptive)되는 것으로 분류한다.

3. 벤치마킹 (Benchmarking):

   • 본 프레임워크는 270개의 인간 TF에 대해 인 비트로(in vitro)에서 대립유전자 특이적 TF 결합을 측정하는 독립적인 실험 데이터셋인 SNP-SELEX (GSE118725)를 통해 검증되었다.
   • 성능은 네 가지 기성 예측 모델인 DeepSEA, Enformer, Borzoi, AlphaGenome과 비교되었다.
   • 입력 윈도우 크기의 영향을 테스트하기 위해, 모델들을 512 bp 윈도우로 재학습(re-fine-tuning)하여 실험하였다.

4. 해석 및 임상 적용 (Interpretation and Clinical Application):

   • 모티프 분석 (Motif Analysis): 프레임워크는 k-mer 농축(enrichment)과 어텐션 기반 히트맵을 사용하여 붕괴된 서열 패턴을 식별하며, 학습된 모티프를 JASPAR 데이터베이스와 대조하여 검증한다.
   • 생존 분석 (Survival Analysis): 고영향 변이를 Kaplan–Meier 곡선 및 Cox 비례 위험 모델을 사용하여 환자 결과와 연결함으로써, 비부호화 돌연변이 시그니처에 따른 환자 층화를 수행하였다.

주요 결과

• 모델 성능: 미세 조정된 모델들은 높은 예측 정확도를 보였다. 상위 TFBS 모델들은 최대 0.98의 정확도(예: CTCFL)를 달성하였고, 상위 15개 모델에 대해 ROC AUC 값은 $\ge 0.97$이었다.
• 벤치마킹 (SNP-SELEX):
  • DeepVRegulome은 65개의 공유된 TF에 대해 평균 per-factor AUROC 0.611을 달성하였다.
  • 다중 검정 보정 후, 평가 가능한 61개 인자 중 53개에서 예측 점수와 실험적 결합 선호도 사이의 유의미한 상관관계가 나타났다.
  • 모든 방법론이 점수를 매긴 17개의 엄격한 하위 집합에 대해, DeepVRegulome은 (경쟁 모델들보다 2~3 차수 더 작은 301–512 bp 입력 윈도우를 사용했음에도 불구하고) DeepSEA보다 유의미하게 더 정확했으며, Enformer, Borzoi, AlphaGenome과 통계적으로 구별할 수 없을 정도로 우수한 성능을 보였다.
  • DeepVRegulome은 실험적으로 확인된 10,513개 이벤트 중 8,067개에 대해 대립유전자 효과의 방향을 정확히 예측하여 모든 경쟁 모델을 능가하였다.
• 모티프 회복 (Motif Recovery): 462개의 고신뢰도 모델 중 87%가 알려진 JASPAR 프로파일과 유의미한 유사성을 가진 모티프를 학습하였으며, 공유된 TF의 72%가 정확한 JASPAR 대응물과 일치하였다.
• GBM 적용:
  • 190명의 GBM 환자에게 적용한 결과, 프레임워크는 수천 개의 고영향 체세포 변이를 식별하였다.
  • 우선순위 지정: 572개의 스플라이스 붕괴 변이와 9,837개의 TFBS 변경 돌연변이가 10% 이상의 환자에서 재발하는 것으로 나타났다.
  • 임상적 관련성: 생존 분석을 통해 1,352개의 돌연변이와 563개의 붕괴된 조절 영역을 환자 결과와 연결하였다.
  • 새로움 (Novelty): 이 고영향 변이들의 대다수는 임상 데이터베이스(예: ClinVar)에 존재하지 않았으며, 이는 거대한 "주석 격차(annotation gap)"를 보여준다. 구체적인 예로, NR2F2, TLK2, RELB의 TFBS 내 변이는 현저히 낮은 생존율과 연관되었고, PARPBP 내 변이는 개선된 생존율과 연관되었다.

의의 및 주장
본 논문은 DeepVRegulome이 비부호화 게놈 변이를 해독하기 위한 확장 가능하고, 해석 가능하며, 효율적인 솔루션을 제공한다고 주장한다. 주요 의의는 다음과 같다:

1. 효율성 대비 성능: (197 kbp ~ 1 Mb를 사용하는 경쟁 모델들과 달리) 작은 입력 윈도우(301–512 bp)를 사용하여 TF 결합에 대한 고정밀 변이 효과 예측이 가능하다는 것을 입증함으로써, 거대 컨텍스트 모델의 계산 비용을 피하면서도 경쟁력 있는 성능을 유지하였다.
2. 해석 가능성: 학습된 모티프를 회복하고 어텐션 점수를 특정 조절 문법(regulatory grammar)의 붕괴와 연결함으로써, "블랙박스" 예측을 넘어섰다.
3. 임상적 번역: 현재 의료 데이터베이스에서 규명되지 않은 교모세포종의 재발성 및 생존 관련 비부호화 돌연변이를 식별함으로써, 가공되지 않은 WGS 데이터와 임상적으로 실행 가능한 통찰 사이의 간극을 성공적으로 메웠다.
4. 일반화 가능성: 다른 암 유형 및 복잡한 질병에 적응하여 정밀 종양학을 위한 변이 우선순위를 지정할 수 있는 모듈형 AI 기반 패러다임을 구축하였다.

저자들은 본 프레임워크가 기능적 조절 및 정밀 종양학의 발견을 촉진하기 위해 훈련된 가중치(weights)가 포함된 Hug고-파이브(Hugging Face) 및 대화형 대시보드를 갖춘 오픈 소스 파이썬 패키지로 공개되어 있음을 강조한다.